Sign in Subscribe
Narut Soontranon

Narut Soontranon

Data Science | AI | Machine Learning | Deep Learning
AI Technical Debt: เมื่อ AI ที่สร้างเร็ว กลายเป็นหนี้ทางเทคนิค

AI Technical Debt: เมื่อ AI ที่สร้างเร็ว กลายเป็นหนี้ทางเทคนิค

ช่วงแรกของการสร้าง AI ทุกอย่างเป็นเรื่องง่าย เลือก Model → เขียน Prompt → เชื่อมต่อ API → Deploy แต่เมื่อระบบเริ่มมีผู้ใช้มากขึ้น สิ่งที่เคย ทำเสร็จเร็ว อาจกลายเป็น Technical Debt ที่ทำให้ระบบแก้ยาก แพงขึ้น และเสี่ยงต่อการพัฒนาในอนาคต Technical
Narut Soontranon
AI Reliability Engineering: เมื่อ AI ทำงานบน Production System

AI Reliability Engineering: เมื่อ AI ทำงานบน Production System

เมื่อ AI ถูกนำไปใช้จริง คำถามจะเปลี่ยนจาก “AI ตอบได้ไหม?” เป็น “AI ทำงานได้อย่างสม่ำเสมอและเชื่อถือได้แค่ไหน?” เป็นสิ่งที่ AI Reliability Engineering เข้ามามีบทบาท ระบบ AI บน Production ต้องออกแบบให้รับมือกับความผิดพลาดหลายรูปแบบ เช่น Model timeout, API ล่
Narut Soontranon
AI Runtime: เมื่อการรัน AI สำคัญพอ ๆ กับตัว Model

AI Runtime: เมื่อการรัน AI สำคัญพอ ๆ กับตัว Model

ก่อนหน้านี้การแข่งขันด้าน AI คือ “ใช้ Model อะไรดี?” แต่เมื่อโมเดลหลายตัวมีความสามารถใกล้เคียงกัน มุมมองจึงเปลี่ยนไปเป็น “สามารถรัน Model นั้นอย่างไรให้เร็ว ถูก และ Scale ได้?” เป็นบทบาทของ AI Runtime AI Runtime คือ ชั้นที่อยู
Narut Soontranon
AI Memory: ทำไม Chat History ไม่ใช่ Memory

AI Memory: ทำไม Chat History ไม่ใช่ Memory

หลายคนคิดว่า AI ที่จำบทสนทนาก่อนหน้าได้ = มี Memory แต่จริง ๆ แล้ว Chat History ≠ AI Memory Chat History คือ ข้อมูลที่ถูกส่งกลับเข้าไปใน Context Window เพื่อให้ Model เห็นสิ่งที่เคยคุยกัน ส่วน Memory คือ การเลือกเก็
Narut Soontranon
AI Agent Memory: เมื่อ AI ต้อง “จำ” ไม่ใช่แค่ “รู้”

AI Agent Memory: เมื่อ AI ต้อง “จำ” ไม่ใช่แค่ “รู้”

AI Agent ยุคใหม่ไม่เพียงต้องการแค่ Context Window ใหญ่ แต่ต้องสามารถ จำสิ่งสำคัญจากอดีต และนำกลับมาใช้ในอนาคต Context ≠ Memory ≠ RAG Context สิ่งที่ AI เห็นใน task ปัจจุบัน RAG ดึงข้อมูลจาก Knowledge Base มาใช้ Memory เก็บประสบการณ์และข้อมูลสำคัญเพื
Narut Soontranon
AI Inference: เมื่อการรัน AI กลายเป็น Competitive Advantage

AI Inference: เมื่อการรัน AI กลายเป็น Competitive Advantage

ในการพิจารณาเลือก AI เรามักพูดถึง Model Training — ใช้ GPU เท่าไร, Train นานแค่ไหน, Model ใหญ่แค่ไหน แต่เมื่อ AI ถูกนำไปใช้งานจริง สิ่งที่เกิดขึ้นซ้ำ ๆ คือ Inference ทุกครั้งที่ User ส่ง Prompt → Model ประมวลผล → สร้าง
Narut Soontranon
AI Router: เมื่อ AI ไม่จำเป็นต้องใช้โมเดลเดียว

AI Router: เมื่อ AI ไม่จำเป็นต้องใช้โมเดลเดียว

ในยุคแรกของการใช้ GenAI คำถามคือ “โมเดลไหนเก่งที่สุด?” แต่เมื่อ AI ถูกนำไปใช้งานจริง คำถามที่สำคัญกว่าคือ “งานนี้ควรใช้โมเดลไหน?” เป็นแนวคิดของ AI Router AI Router คือ layer ที่อยู่ระหว่าง Application กับ AI Models ทำหน้าที่วิเคราะห์ request แล้
Narut Soontranon